Chapitre 01: e-learning
6. Conclusion :
Conclusion générale : ... 51 Bibliographique ... 52
5
Liste des tableaux
Tableau 1:Quelques travaux sur la prédiction des cas d’échecs. ... 22
Tableau 2:vecteur d’apprenant.. ... 31
Tableau 3:Dictionnaire de données. ... 38
Tableau 4:Description du model conceptuel des données.. ... 39
Tableau 5: description des associations du MCD 39
6
Liste des figures
Figure 1:histoire-formation-a-distance ... 10
Figure 2:Les 7 piliers de l’autoformation selon Carré P ... 12
Figure 3:les 5 types de dispositifs en FOAD. ... 12
Figure 4:5 types de dispositifs de formation. ... 13
Figure 5:Accueil de plate-forme AVUnet. ... 15
Figure 6:Accueil de plate-forme imadrassa. ... 15
Figure 7:Educational Data mining (Romero et Ventura, 2013). ... 19
Figure 8:Processus de Data mining dans l’e-learning [Bousbia et Belamri, 2014].. ... 19
Figure 9:Architecture générale du système.. ... 25
Figure 10:Architecture fonctionnelle du système. ... 28
Figure 11:Modèle conceptuel de données. ... 41
Figure 12: Page d’accueil de PRD-learner. ... 43
Figure 13:Formulaire d’inscription apprenant. ... 43
Figure 14:Validation des apprenants. ... 44
Figure 15:prédiction des désengagements des Apprenants (Algorithme de KNN avec Le coefficient). ... 45
Figure 16:Exemple de Profil d’un apprenant. ... 46
Figure 17:insérer un sujet... 46
Figure 18:Envoi nouvelle message. ... 47
Figure 19:Voir les messages envoyés ou reçus. ... 47
Figure 20:Exemple de quizz. ... 48
Figure 21:Profil L’enseignant. ... 48
Figure 22:Exemple de l'insertion des quizz. ... 49
Introduction générale
7
Introduction Générale :
Dans les systèmes e-learning, les apprenants apprennent en utilisant plusieurs outils et matériels d'apprentissage. Ces systèmes offrent des cours gratuitement; où toute personne disposant d’une connexion Internet peut regarder les vidéos des cours, télécharger les objets d’apprentissage et plusieurs autres activités. D’après l’utilisation de cette technologie, le nombre des cours et les tests ont été élevé. Malheureusement un problème majeur a été rencontré par les institues et les universités c’est l’échec et l’abondant des apprenants avant le test final.
Les chercheurs ont mené des études systématiques pour comprendre, détecter et prédire l’abondant des apprenants, ils ont trouvé que la seule solution pour déduire ce nombre des apprenants est de détecter leurs moments démotivation et de motiver périodiquement en utilisant plusieurs outils d’intervention.
Pour cette raison, dans ce travail nous avons traité ce problème et proposé des solutions qui peuvent être utile pour les apprenants et les enseignants. Cette solution est liée aux profils des apprenants (cognitifs et comportementaux) afin d’améliorer leurs niveaux cognitifs. Nous avons focalisé notre travail sur l’utilisation d’une technique de data mining à cause de leur avantage d’application dans le domaine éducatif.
Dans le premier chapitre, nous avons présenté les notions de base du e-learning ainsi que nous avons mentionné quelques systèmes les plus utilisé.
Le deuxième chapitre est consacré aux Techniques de data mining dans l’éducation. Dans ce chapitre, les concepts fondamentaux d’EDM (en anglais : Educational data mining) sont abordés. Nous avons présenté les différentes étapes du processus de data mining dans le domaine éducatif ainsi que les plateformes mentionné dans littérature. A la fin, nous avons cité quelques travaux dans chaque catégorie des méthodes existées.
Le troisième chapitre est consacré à la présentation de la conception de ce travail. Il présente l’approche proposée, à savoir l’architecture générale du système développé, les paramètres adoptés, les techniques utilisées et les formules mathématiques proposées.
Le quatrième chapitre est réservé à l’implémentation et la discussion de l’expérimentation, tests et résultats obtenus. Dans ce chapitre, en premier lieu, nous présentons les interfaces du système puis, nous présentons l’expérimentation qui a été mené pour valider l’approche proposée. Les résultats obtenus sont discutés.
8
Nous clôturons ce manuscrit par une conclusion générale qui résume nos propositions et les perspectives du travail.
Chapitre 01 : e-learning
9
1. Introduction :
L’utilisation d’internet et son accès permet d’introduire des formations accessibles aux utilisateurs. Cette utilisation ouvre la possibilité de rechanger l’enseignement traditionnel à l’enseignement à distance.
Les plateformes du e-learning sont capables de gérer la diffusion d’e-formation. De plus, elles intègrent les fonctionnalités destinées à faciliter le travail de l’enseignant, tuteur et de l’apprenant. Ces plateformes utilisent des nouvelles technologies multimédias de l’internet pour améliorer et faciliter l’apprentissage. Ce mode d’apprentissage à distance offre la possibilité des échanges et la collaboration entre les différents acteurs.
L’objectif de ce chapitre est de présenter les principes du e-learning et ces avantages et ces inconvénients
.
2. Définition du E-Learning :
2.1. Historique :
L’évolution de la conception de l'apprentissage à distance (E.A.D) qui a abouti en dernier lieu à l'avènement de e-learning, pour assurer l'apprentissage à distance Il y a par correspondance, par vidéo éducatives, par ordinateur, etc [Sherron et Boettcher, 1997].
Angleterre en 1840 créé le premier cours par correspondance c’était pour les adultes qui ne pouvaient pas terminer leurs études secondaires ou supérieures par la correction du travail parfois par téléphone mais l'interaction était faible.
À partir de 1920, les programmes éducatifs sont radiodiffusés en Europe. Les méthodes classiques d’apprentissage consistent à réunir les apprenants dans un même lieu et un même temps, c’est pour cette raison les systèmes du e-learning ont été développé.
Le développement des technologies de l'information utilisées pour l’enseignement dans les années 1970, les premiers systèmes d'enseignement assistés par ordinateur ont été devenu plus interactif.
En 2001, les plateformes d’apprentissage à distance ont été apparues comme la plateforme Moodle. Cette plateforme a été utilisée en profitant de la disponibilité d’Internet et en apportant l’éducation à des personnes qui n’auraient jamais pu fréquenter une université en raison de contraintes géographiques ou personnelles. Par la suite, une université virtuelle a été créée en Tunis en 2002.
En 2013, le MOOC (Massive Open Online Course) fond son apparition à l’université Standford ou en quelques semaines plus de 160000 sont inscrits [Caraguel, 2013 ; Vrillon, 2018].
Chapitre 01 : e-learning
10
Figure 1 :histoire-formation-a-distance (1) 2.2. Définition du E-Learning :
Afin de définir le e-learning, nous prenons la définition du [Conseil européen, 2001] « un ensemble de concepts, de méthodes, et d’outils utilisant les nouvelles technologies multimédias et de l’Internet, pour améliorer la qualité de l’apprentissage en favorisant l’accès à des
Chapitre 01 : e-learning
11
ressources et des services, ainsi que les échanges et la collaboration éventuellement à distance ».
Nous pouvons dire e-formation ou e-apprentissage il y’a beaucoup de termes, la lettre é est l'abréviation du mot électronique, par l'utilisation des Technologies de l'Information et de la Communication pour l’Enseignement (TICE) qui facilite l’accès aux ressources et aux services du web d’une part ; et la collaboration à distance d’autre part.
2.3. Différence entre le e-learning et l’apprentissage traditionnelle :
L’apprentissage traditionnel basé sur trois critères temps/place/contenu de l’apprentissage. Ces critères sont différents pour le nouveau mode E-Learning : rapides / ouverts / personnalisés. En plus il y a d'autres points de différence entre eux [Vanpee et al., 2008]..
2.3.1. E-learning :
- Se centrent sur l'apprenant
- Personnalisation avec un contenu adapte au besoin de chacun. - Dans distribue, ouvert.
- Utilisation de TCI
- Processus d’apprentissage dynamique 2.3.2. L’apprentissage traditionnelle :
- Se centrent sur l'Enseignant.
- Enseignement de masse avec un contenu qui doit satisfaire les besoins De plusieurs apprenants.
- Processus d’apprentissage statique - Salle de classe.
- Technologies utilisées tableau, écran, etc.
2.4.
Type de formations
:2.4.1. FOA (Formation A Distance):
Il est apparu à partir de 1840 avec des cours par correspondance. L'apprenant envoie les tâches par courrier à son organisme de formation qu'il a enregistré en utilisant tous les documents papier, audio et vidéo qui ont été utilisés lors de sa formation et cela devient prolifique et encore plus efficace grâce aux technologies de l'information et de la communication qui ont rendu l'échange presque instantané entre le formateur et l'apprenant [Boudefla, 2011].
Chapitre 01 : e-learning
12
2.4.2. FOAD (Formation Ouverte et A Distance) :
La formation est structurée lorsque nous parlons de FOAD qui suit un certain cheminement éducatif. Ici, l’important est de répondre aux besoins de l’apprenant ou du groupe d’apprenants en fonction de sa formation, de son expérience, de ses contraintes, de son degré d’autonomie, etc.
Concernant l'auto-apprentissage, ce sont les sept piliers de l’autoformation (8) qui sont un point essentiel dans la formalisation de la FOAD [Boudefla, 2011].
Figure 2 : Les 7 piliers de l’autoformation selon Carré P À la fin, nous rappelons les 5 types de dispositifs en FOAD
Figure 3 : les 5 types de dispositifs en FOAD La typologie COMPETICE :
Chapitre 01 : e-learning
13
Une ligne présidentielle théorique allant de 0 à 100% de formation à distance pour un ensemble contient 5 types de dispositifs de formation :
Figure 4: 5 types de dispositifs de formation (2)
- Le présentiel enrichi : est 100% désigne l’utilisation lors de class, d’outils de présentation ou de ressource par les apprenants ou les enseignants
- Le présentiel augmenté ou amélioré : renvoie à la mise à disposition de ressources en amont ou en aval du présentiel, par exemple le plan d’un cours, un résumé, une sitographie (bibliographie de sites internet) ou des
Documents.
- Le présentiel allégé et le présentiel réduit : correspondent à des dispositifs mixtes ou hybrides dans lesquels des temps en présentiel alternent avec des temps d’apprentissage à distance.
La différence entre les deux est :
Le présentiel allégé est + 50% de la durée et cours et TD sont Remplacées par :
o Des modules d’autoformation o Types travail collaboratif o Du tutorat
Lors du présentiel réduit la tendance s’inverse, c’est l’essentiel de la formation qui est à distance et ne demeure plus que quelques séances de regroupement en présentiel
- Présentiel inexistant : est entièrement à distance, il prévoit l’accès à des ressources avec un tutorat, synchrones ou asynchrones.
2.4.3. Blended learning, formation hybrid, formation multimodal :
L’HAS propose la définition suivante : « association de plusieurs modalités d’apprentissage au profit des apprenants. En s’appuyant notamment sur des outils et ressources numériques, elle combine séquences d’apprentissage présentiel et à distance, transmissif et collaboratif, dirigé et auto-dirigé, formel et informel » [Demos Group, 2009].
Chapitre 01 : e-learning
14
Combine des séquences d'apprentissage en face à face et à distance. L'utilisation d'outils et de ressources numériques associe plusieurs modalités d'apprentissage au bénéfice des apprenants.
2.5. Types e-Learning :
Il existe trois modes de fonctionnement complémentaires [Belbachir, 2016]: 2.5.1. Mode synchrone :
Les classes virtuelles se déroulent dans laquelle tous les participants sont communiqués directement les uns avec les autres dans la même unité de temps.
Afin de faciliter les échanges et la compréhension commune, tous les outils d’interaction sont accessibles
2.5.2. Mode asynchrone :
Mode de fonctionnement autonome et les échanges ont lieu par des messages asynchrones et forums.
2.5.3. Mode autodirigé :
Ce mode utilise les outils d’ apprentissage informatisés et d’auto- évaluation afin d’ajuster la formation.
3. Acteurs du E-Learning :
Nous parlons ici des utilisateurs intéressés à utiliser un dispositif de formation en ligne [Djebiha et Khallef, 2010]:
L’apprenant : est la personne qui souhaite acquérir ou développer des connaissances il peut effectuer de nombreuses opérations sur eux : télécharger, Participation, il peut consulter et discuter et communiquer avec d'autres en ligne et transmettre les travaux à son enseignant pour les corriger.
L’Enseignant : Il facilite l'apprentissage en suivant et en aidant les apprenants à les évaluer et les tester. Il doit être capable de transférer des expériences et de communiquer avec eux afin de réduire le risque d'abandon scolaire pendant la formation. Il doit être responsable de son devoir.
L’administrateur :assure l’installation et la maintenance du système, gère les droits d’accès, crée des liens vers d’autres systèmes et ressources externes
4. E-learning en Algérie :
Il existe aujourd'hui un point de contact entre les enseignants, les apprenants et leurs parents à cause des TIC, cela commence aussi à apparaître en Algérie grâce à plusieurs plates-formes qui poussent Citons, [BELBACHIR, 2016] par exemple la plate-forme expérimentale appelée AVUnet (Université virtuelle algérienne) «http://www.avunet.ca/ »
Chapitre 01 : e-learning
15
Figure 5: Accueil de plate-forme AVUnet
Et la plate-forme expérimentale appelée ‘imadrassa’ https://www.imadrassa.com/
Figure 6 : Accueil de plate-forme imadrassa
5. Les avantages et les inconvénients du e-Learning :
5.1. Les avantages du e-Learning [BELBACHIR, 2016]:
o Ouvert à tous ceux qui veulent apprendre.
o Accès gratuit et facile à de nouvelles informations et compétences, en phase avec les progrès technologiques
o Permet à l'apprenant de communiquer avec les autres et de connaître les différentes races et traditions.
o Aide pour accéder aux informations correctes et au participant et à la consultation pour accéder aux informations
Chapitre 01 : e-learning
16
5.2. Les inconvénients du e-Learning [Prat, 2008] :
o Absence de réseau ou de problèmes matériels (ordinateurs, câble. etc.) o L’absence physique de l'enseignant
o Nécessite des connaissances sur l'ordinateurs et d'Internet
6. Conclusion :
Dans ce chapitre, nous avons découvert l'historique de l'apprentissage en ligne, ses types, les acteurs intéressés par son utilisation et nous avons présenté quelques exemples de plateforme en Algérie.
Les chercheurs ont découvert plusieurs problèmes qui n’arrivent pas à développer de manière naturelle les capacités métacognitives des apprenants, c’est pour cette raison plusieurs techniques de data mining ont été introduites. Dans le chapitre suivant nous avons présenté les principes de data mining dans le domaine éducatif
Chapitre 03 : la conception de ce travail
17
1. Introduction :
Pendant les dernières années, les systèmes d’e-learning permettent l’acquisition et le stockage des volumes de données énormes. Ces dernières sont issues des différentes interactions Ceux-ci sont tirés du partage de ressources (texte, images, vidéo, données en ligne, etc…) et réutilisation, interopérabilité et d’autres modes des interactions entre les utilisateurs. Pour améliorer l’avantage de ces données, plusieurs techniques ont été employées. Parmi ces techniques, nous citons les techniques de Data Mining.
En effet, cet ensemble de techniques peut être une étape fondamentale dans tout processus ECD (Extraction de Connaissances à partir de Données). Le data mining est employé dans plusieurs de domaines, L’un des domaines d’application de ces techniques est l’éducation. En effet, ce nouveau domaine de recherche, connu sous l’acronyme EDM (pour Educational Data Mining), concerne le développement des méthodes qui découvrent des connaissances à partir de données provenant de l’environnement éducatif.
Dans ce chapitre, nous donnons les principes de data mining en général, et le data mining en éducations ainsi que leurs techniques. Mais tout d’abord c’est quoi le data mining?
2. Le Data Mining :
2.1. Définition :
Le Data Miningou Knowledge Discovery in Data (KDD) est une technique d'analyse de modèle de données qui agrège de grands ensembles de données, permettant à l'utilisateur de prévoir les tendances futures en extrayant des données utilisables à partir d'un plus grand ensemble de données brutes, ce qui les aide à se rapprocher de son objectif et faire en sorte qu’ils prennent de meilleures décisions. C’est une nouvelle discipline à l’interface de la statistique et des technologies de l’information : bases de données, intelligence artificielle, apprentissage automatique [Saporta, 2004].
L'exploration de données donne à l'utilisateur les connaissances sur ses clients, rend ses fonctions plus rentables et l'exploitation des ressources devient plus optimale et plus perspicace. (3)
3. Data Mining dans l’éducation :
3.1. Définition d EDM :
« Educationnel Data Mining est une discipline émergente qui se préoccupe de développer des méthodes pour explorer les données uniques et de plus en plus volumineuses obtenues à partir de contextes éducatifs. Elle utilise ces méthodes pour mieux comprendre les étudiants et les contextes dans lesquels ils apprennent.[ Society international de données pour éducation, 2011] »
Chapitre 03 : la conception de ce travail
18
Cette définition de l’EDM est proposée par l’International Educationnel Data Mining Society, qui organise la Conférence internationale sur l’exploration de données éducatives et publie le Journal of Educationnel Data Mining.
D’une part, Cristobal Romero et Sebastian Ventura ont noté les domaines d’application de l'EDM comme suit : (4)
Analyse et visualisation de données
Donner de la rétroaction aux instructeurs auxiliaires Recommandations pour les étudiants
Prédire le rendement des élèves Modélisation d'étudiant
Détecter les comportements indésirables des étudiants Regrouper des étudiants
Analyse de réseau social
Développer des cartes conceptuelles Construire un didacticiel
Planification et ordonnancement
D’autres parts, Baker a catégorisé les travaux d’EDM comme suit : [ Baker, 2010] Prédiction : - Classification - Régression - Estimation de la densité Clustering Relation minière :
- Extraction de règles d'association - Extraction de corrélation
- Exploitation minière séquentielle - Exploration de données causale
Distillation de données pour le jugement humain Découverte avec des modèles
La figure suivante présente les trois composantes principales d’EDM : L’informatique, éducation et statistique. Ces composantes ont intersectées et formes d’autres domaines liées à EDM, tels que les systèmes d’apprentissage automatique, les systèmes d’analyses d’apprentissage et les systèmes éducatifs basé sur l’ordinateur (Romero et Ventura, 2013).
Chapitre 03 : la conception de ce travail
19
Figure 7 :Educational Data mining (Romero et Ventura, 2013) 3.2. Processus de Data Mining dans e-learning :
L’application de data mining contribue à améliorer l’apprentissage et facilite la prise de décision pour que data mining s’intègre parfaitement dans les systèmes éducatifs, elle doit répondre à des exigences spécifiques, à savoir le comportement des salariés, y compris les aspects pédagogiques. [Romero et Ventura, 2013] a donné une description détaillée de l'application de Data Mining dans les systèmes e-learning, Où il l'a décrit comme un cycle itératif, non seulement pour transformer les données en connaissances, mais pour entrer dans les connaissances extraites si la boucle du système et du guide.
Au départ, les objectifs de la recherche doivent être définis. Ensuite, les données sont extraites à partir de l’environnement éducatif approprié. Les données devront être prétraitées, car elles peuvent provenir de plusieurs sources ou avoir différents formats. Les modèles sont obtenus à partir l’application des méthodes d’EDM qui doivent être interprétées. Si les données brutes sont petites ou inadéquates, ou les méthodes sélectionnées ne sont pas assez puissantes, l’analyse est effectuée à nouveau [Liñán et Pérez, 2015].
Figure 8. Processus de Data mining dans l’e-learning [Bousbia et Belamri, 2014].
Education Education basée sur l’ordinateur Data mining et Apprentissage automatique Informatique Statistique Data mining en éducation Analyse de l’apprentissage Environne
ment données Les
brutes Prétraite ment Les donnée s Les méthodes d’EDM Méthodes/ Patterns Interpréta
Chapitre 03 : la conception de ce travail
20
4. Les Plateformes de DM:
Il y a beaucoup d'outils généraux d'exploitation de données qui fournissent des algorithmes d'exploitation, on peut citer : TANAGRA, Clementine, DBMiner, Weka, etc. [Klosgen et Zytkow, 2002 ; Bouchekouf, 2013].
Weka : est une collection d'algorithmes d'apprentissage automatique, ces algorithmes peuvent être appliqués sur un ensemble de données ou s’appeler directement à des codes Java.
Clementine : possède une interface de programmation visuelle qui simplifie le processus d’exploration de données.
TANAGRA : est un logiciel de data mining destiné à l'enseignement et à la recherche. Il contient plusieurs méthodes liées au domaine de la statistique exploratoire, de l'analyse de données, de l'apprentissage automatique et des bases de données.
DBMiner : est un système destiné pour les spécialistes du domaine économique. Il implémente un grand nombre de fonctions de data mining, notamment la caractérisation, la comparaison, l'association, la classification, la prédiction et le clustering.
5. Les Techniques de DM dans e-learning :
Les techniques de Data Mining peuvent être appliquées pour découvrir des modèles cachés en construisant des modèles intelligents basés sur l’énorme quantité de données que nous utilisons, toutes les données personnelles sont stockées, y compris le nom, l'âge, le sexe, l'adresse, le code postal et des informations relatives à l'éducation, telles que les qualifications, seraient très utiles pour pouvoir prédire le comportement futur de différentes catégories de l’apprenant.
Dans cette section, nous avons présenté quelques travaux qui utilisent les techniques de data mining dans l’éducation. Nous avons classifié les travaux selon la classification de [Romero et al., 2008] et [Castro et al., 2007] c’est-à-dire : Classification, clustering, visualisation, prédiction.
5.1. Clustering :
La première application des méthodes de clustering dans e-learning c’était avec [Hwang, 2003]. Le clustering est un processus basé sur le regroupement d’objets dans des groupes homogènes [Jain et al., 1999]. C’est une technique non supervisée basée sur la position et la connexion de sous-ensembles qui provient de la partition de données en groupes.
Les méthodes du clustering ont été appliquées avec succès dans plusieurs travaux. Awoyelu et ses collègues (2016) proposent un modèle de sélection du matériel d'apprentissage approprié
Chapitre 03 : la conception de ce travail
21
pour les apprenants. Ils ont utilisé K-means et représenté le modèle à l'aide du langage UML (Unified Modeling Language). Ce modèle adaptatif a été formé et testé à l’aide des données historiques collectées à partir d’un outil de formation de système du e-Learning développé.
5.2.Classification:
Le Data Mining a beaucoup de méthodes de classification pour le diagnostic, la personnalisation, la modélisation, etc.
Il sert à modéliser les relations existant entre un ensemble de données multidimensionnelles et un certain ensemble de résultats pour chacune d’elles sous la forme d’étiquettes d’appartenance